本书以Spark 2.0 版本为基础进行编写，全面介绍了Spark 核心及其生态圈组件技术。主要内容包括Spark 生态圈、实战环境搭建、编程模型和内部重要模块的分析，重点介绍了消息通信框架、作业调度、容错执行、监控管理、存储管理以及运行框架，同时还介绍了Spark 生态圈相关组件，包括了Spark SQL 的即席查询、Spark Streaming 的实时流处理应用、MLbase/MLlib 的机器学习、GraphX 的图处理、SparkR 的数学计算和Alluxio 的分布式内存文件系统等。本书从Spark 核心技术进行深入分析，重要章节会结合源代码解读其实现原理，围绕着技术原理介绍了相关典型实例，读者通过这些实例可以更加深入地理解Spark 的运行机制。另外本书还应用了大量的图表进行说明，通过这种方式让读者能够更加直观地理解Spark 相关原理。
第1章 Spark及其生态圈概述
1．1 Spark简介
1．1．1 什么是Spark
1．1．2 Spark与MapReduce比较
1．1．3 Spark的演进路线图
1．2 Spark生态系统
1．2．1 Spark Core
1．2．2 Spark Streaming
1．2．3 Spark SQL
1．2．4 BlinkDB
1．2．5 MLBase/MLlib
1．2．6 GraphX
1．2．7 SparkR
1．2．8 Alluxio
1．3 小结
第2章 搭建Spark实战环境
2．1 基础环境搭建
2．1．1 搭建集群样板机
2．1．2 配置集群环境
2．2 编译Spark源代码
2．2．1 配置Spark编译环境
2．2．2 使用Maven编译Spark
2．2．3 使用SBT编译Spark
2．2．4 生成Spark部署包
2．3 搭建Spark运行集群
2．3．1 修改配置文件
2．3．2 启动Spark
2．3．3 验证启动
2．3．4 第一个实例
2．4 搭建Spark实战开发环境
2．4．1 CentOS中部署IDEA
2．4．2 使用IDEA开发程序
2．4．3 使用IDEA阅读源代码
2．5 小结
第二篇 核心篇
第3章 Spark编程模型
3．1 RDD概述
3．1．1 背景
3．1．2 RDD简介
3．1．3 RDD的类型
3．2 RDD的实现
3．2．1 作业调度
3．2．2 解析器集成
3．2．3 内存管理
3．2．4 检查点支持
3．2．5 多用户管理
3．3 编程接口
3．3．1 RDD分区（Partitions）
3．3．2 RDD首选位置（PreferredLocations）
3．3．3 RDD依赖关系（Dependencies）
3．3．4 RDD分区计算（Iterator）
3．3．5 RDD分区函数（Partitioner）
3．4 创建操作
3．4．1 并行化集合创建操作
3．4．2 外部存储创建操作
3．5 转换操作
3．5．1 基础转换操作
3．5．2 键值转换操作
3．6 控制操作
3．7 行动操作
3．7．1 集合标量行动操作
3．7．2 存储行动操作
3．8 小结
第4章 Spark核心原理
4．1 消息通信原理
4．1．1 Spark消息通信架构
4．1．2 Spark启动消息通信
4．1．3 Spark运行时消息通信
4．2 作业执行原理
4．2．1 概述
4．2．2 提交作业
4．2．3 划分调度阶段
4．2．4 提交调度阶段
4．2．5 提交任务
4．2．6 执行任务
4．2．7 获取执行结果
4．3 调度算法
4．3．1 应用程序之间
4．3．2 作业及调度阶段之间
4．3．3 任务之间
4．4 容错及HA
4．4．1 Executor异常
4．4．2 Worker异常
4．4．3 Master异常
4．5 监控管理
4．5．1 UI监控
4．5．2 Metrics
4．5．3 REST
4．6 实例演示
4．6．1 计算年降水实例
4．6．2 HA配置实例
4．7 小结
第5章 Spark存储原理
5．1 存储分析
5．1．1 整体架构
5．1．2 存储级别
5．1．3 RDD存储调用
5．1．4 读数据过程
5．1．5 写数据过程
5．2 Shuffle分析
5．2．1 Shuffle简介
5．2．2 Shuffle的写操作
5．2．3 Shuffle的读操作
5．3 序列化和压缩
5．3．1 序列化
5．3．2 压缩
5．4 共享变量
5．4．1 广播变量
5．4．2 累加器
5．5 实例演示
5．6 小结
第6章 Spark运行架构
6．1 运行架构总体介绍
6．1．1 总体介绍
6．1．2 重要类介绍
6．2 本地（Local）运行模式
6．2．1 运行模式介绍
6．2．2 实现原理
6．3 伪分布（Local-Cluster）运行模式
6．3．1 运行模式介绍
6．3．2 实现原理
6．4 独立（Standalone）运行模式
6．4．1 运行模式介绍
6．4．2 实现原理
6．5 YARN运行模式
6．5．1 YARN运行框架
6．5．2 YARN-Client运行模式介绍
6．5．3 YARN-Client 运行模式实现原理
6．5．4 YARN-Cluster运行模式介绍
6．5．5 YARN-Cluster 运行模式实现原理
6．5．6 YARN-Client与YARN-Cluster对比
6．6 Mesos运行模式
6．6．1 Mesos介绍
6．6．2 粗粒度运行模式介绍
6．6．3 粗粒度实现原理
6．6．4 细粒度运行模式介绍
6．6．5 细粒度实现原理
6．6．6 Mesos粗粒度和Mesos细粒度对比
6．7 实例演示
6．7．1 独立运行模式实例
6．7．2 YARN-Client实例
6．7．3 YARN-Cluster实例
6．8 小结
第三篇 组件篇
第7章 Spark SQL
7．1 Spark SQL简介
7．1．1 Spark SQL发展历史
7．1．2 DataFrame/Dataset介绍
7．2 Spark SQL运行原理
7．2．1 通用SQL执行原理
7．2．2 SparkSQL运行架构
7．2．3 SQLContext运行原理分析
7．2．4 HiveContext介绍
7．3 使用Hive-Console
7．3．1 编译Hive-Console
7．3．2 查看执行计划
7．3．3 应用Hive-Console
7．4 使用SQLConsole
7．4．1 启动HDFS和Spark Shell
7．4．2 与RDD交互操作
7．4．3 读取JSON格式数据
7．4．4 读取Parquet格式数据
7．4．5 缓存演示
7．4．6 DSL演示
7．5 使用Spark SQL CLI
7．5．1 配置并启动Spark SQL CLI
7．5．2 实战Spark SQL CLI
7．6 使用Thrift Server
7．6．1 配置并启动Thrift Server
7．6．2 基本操作
7．6．3 交易数据实例
7．6．4 使用IDEA开发实例
7．7 实例演示
7．7．1 销售数据分类实例
7．7．2 网店销售数据统计
7．8 小结
第8章 Spark Streaming
8．1 Spark Streaming简介
8．1．1 术语定义
8．1．2 Spark Streaming特点
8．2 Spark Streaming编程模型
8．2．1 DStream的输入源
8．2．2 DStream的操作
8．3 Spark Streaming运行架构
8．3．1 运行架构
8．3．2 消息通信
8．3．3 Receiver分发
8．3．4 容错性
8．4 Spark Streaming运行原理
8．4．1 启动流处理引擎
8．4．2 接收及存储流数据
8．4．3 数据处理
8．5 实例演示
8．5．1 流数据模拟器
8．5．2 销售数据统计实例
8．5．3 Spark Streaming+Kafka实例
8．6 小结
第9章 Spark MLlib
9．1 Spark MLlib简介
9．1．1 Spark MLlib介绍
9．1．2 Spark MLlib数据类型
9．1．3 Spark MLlib基本统计方法
9．1．4 预言模型标记语言
9．2 线性模型
9．2．1 数学公式
9．2．2 线性回归
9．2．3 线性支持向量机
9．2．4 逻辑回归
9．2．5 线性最小二乘法、Lasso和岭回归
9．2．6 流式线性回归
9．3 决策树
9．4 决策模型组合
9．4．1 随机森林
9．4．2 梯度提升决策树
9．5 朴素贝叶斯
9．6 协同过滤
9．7 聚类
9．7．1 K-means
9．7．2 高斯混合
9．7．3 快速迭代聚类
9．7．4 LDA
9．7．5 二分K-means
9．7．6 流式K-means
9．8 降维
9．8．1 奇异值分解降维
9．8．2 主成分分析降维
9．9 特征提取和变换
9．9．1 词频―逆文档频率
9．9．2 词向量化工具
9．9．3 标准化
9．9．4 范数化
9．10 频繁模式挖掘
9．10．1 频繁模式增长
9．10．2 关联规则挖掘
9．10．3 PrefixSpan
9．11 实例演示
9．11．1 K-means聚类算法实例
9．11．2 手机短信分类实例
9．12 小结
第10章 Spark GraphX
10．1 GraphX介绍
10．1．1 图计算
10．1．2 GraphX介绍
10．1．3 发展历程
10．2 GraphX实现分析
10．2．1 GraphX图数据模型
10．2．2 GraphX图数据存储
10．2．3 GraphX图切分策略
10．2．4 GraphX图操作
10．3 实例演示
10．3．1 图例演示
10．3．2 社区发现演示
10．4 小结
第11章 SparkR
11．1 概述
11．1．1 R语言介绍
11．1．2 SparkR介绍
11．2 SparkR与DataFrame
11．2．1 DataFrames介绍
11．2．2 与DataFrame的相关操作
11．3 编译安装SparkR
11．3．1 编译安装R语言
11．3．2 安装SparkR运行环境
11．3．3 安装SparkR
11．3．4 启动并验证安装
11．4 实例演示
11．5 小结
第12章 Alluxio
12．1 Alluxio简介
12．1．1 Alluxio介绍
12．1．2 Alluxio系统架构
12．1．3 HDFS与Alluxio
12．2 Alluxio编译部署
12．2．1 编译Alluxio
12．2．2 单机部署Alluxio
12．2．3 集群模式部署Alluxio
12．3 Alluxio命令行使用
12．3．1 接口说明
12．3．2 接口操作示例
12．4 实例演示
12．4．1 启动环境
12．4．2 Alluxio上运行Spark
12．4．3 Alluxio上运行MapReduce
12．5 小结
本书附录部分请到博文视点网站下载www．broadview．com．cn/30236。
Spark的流行不是一个偶然性，它像黏合剂一样整合了百花齐放的大数据生态系统的众多功能。无论你是想学习使用Spark，还是想深入了解Spark的内核原理，这本书都是你入门的较好选择。
-- 常雷博士，Apache HAWQ创始人
Apache Spark作为大数据的后起之秀，以其高效的迭代计算和完备的生态圈成为大数据处理的翘楚。本书从源代码角度深入浅出分析了Spark的核心原理，同时能够结合实例进行讲解，让读者能够理论联系实际，相信本书对于大数据及分布式系统研究，以及Spark系统学习人员是个很好的选择。
-- 祝军，中油瑞飞大数据架构师
Spark是一个优秀的大数据计算框架，随着云时代的来临，大数据的存储、处理、分析、应用逐渐成为各个行业必须要具备的能力。本书以图形化方式全面讲解了Spark生态系统，从入门应用到内核原理解析，并配合大量的实例，相信对你的学习总结和实际工作都有很好的帮助。
--付彩宝 京东服饰家居事业部商家研发部负责人
全书编排合理，初学者可以根据作者的引导一步步成长为Spark的开发高手，有经验的开发者也可以通过本书进一步了解Spark的内在机制，从而帮助读者去解决实际工作中的棘手问题，或者深入地优化应用的性能，在当前的市场上能做到如此深入浅出而又紧跟Spark社区步伐的图书实在不多，为此特向广大技术爱好力荐此书。
--何云龙，大规模机器学习专家 京东大数据架构师